A metà giugno 2026, KPMG ha ritirato un proprio report sull’utilizzo dell’intelligenza artificiale. Il motivo: il documento conteneva dati apparentemente generati da sistemi AI con evidenti hallucinations. Pertanto, le informazioni pubblicate non erano verificabili né attendibili.
Questo episodio non è isolato. Infatti, rappresenta un segnale sistemico per tutte le organizzazioni che utilizzano strumenti AI nelle analisi enterprise. Tuttavia, il problema non riguarda solo le grandi società di consulenza. Anche le PMI italiane che si affidano a output AI non supervisionati rischiano di costruire decisioni strategiche su dati errati. Di conseguenza, la governance dei contenuti generati da AI diventa una priorità operativa, non una questione teorica.
Noi di SHM Studio seguiamo da vicino questi sviluppi. In particolare, lavoriamo con le PMI italiane per integrare l’AI nei processi di marketing e comunicazione in modo controllato e verificabile. Infine, questo caso KPMG offre uno spunto concreto per rivedere i workflow interni e rafforzare i processi di fact-checking su ogni output generato artificialmente.
La cronologia del caso KPMG
Il 13 giugno 2026, TechCrunch ha riportato che KPMG ha ritirato un report dedicato all’utilizzo dell’AI. Il documento, destinato a un pubblico enterprise, conteneva dati e affermazioni non verificabili. La causa identificata: hallucinations prodotte dai sistemi di intelligenza artificiale utilizzati nella redazione.
Il ritiro è avvenuto in modo silenzioso, ma la notizia ha circolato rapidamente nel settore. Infatti, KPMG è una delle quattro grandi società di consulenza globale. Pertanto, un errore di questa portata assume un valore simbolico significativo. Non si tratta di una startup che sperimenta: si tratta di un’organizzazione con processi interni strutturati.
Tuttavia, la vicenda non sorprende chi segue da vicino l’evoluzione dei modelli linguistici. I sistemi AI generativi tendono a produrre output plausibili anche in assenza di dati reali. Questo fenomeno, noto come hallucination, è documentato da anni nella letteratura tecnica.
Vincitori e perdenti in questa vicenda
Chi esce danneggiato da questo episodio? Prima di tutto, KPMG stessa. La reputazione di una società di consulenza si fonda sulla qualità e l’accuratezza delle analisi. Un report ritirato per hallucinations AI indebolisce la fiducia dei clienti istituzionali.
In secondo luogo, ne risente l’intero ecosistema dei vendor AI enterprise. Molti di questi strumenti vengono venduti come soluzioni affidabili per la produzione di report e analisi. Di conseguenza, episodi come questo alimentano lo scetticismo nei decision maker. Tra l’altro, alcune organizzazioni potrebbero rallentare i propri piani di adozione.
Chi invece può trarre vantaggio da questa situazione? Le aziende e le agenzie che hanno costruito processi di supervisione umana sull’output AI. Inoltre, i professionisti che promuovono un approccio ibrido — AI come strumento, umano come validatore — vedono rafforzata la propria posizione. Allo stesso modo, i framework di AI governance acquistano oggi una rilevanza concreta che fino a ieri era più teorica.
Perché le hallucinations colpiscono proprio i report analitici
I modelli linguistici di grandi dimensioni non ragionano: generano testo statisticamente coerente con il prompt ricevuto. Pertanto, quando vengono interrogati su dati specifici — percentuali, statistiche, ricerche — tendono a produrre numeri plausibili anche se non esistono fonti reali a supporto.
Questo meccanismo è particolarmente insidioso nei report analitici. Infatti, in un documento di questo tipo, un dato inventato ma formattato correttamente può superare revisioni superficiali. In particolare, se il revisore non conosce la fonte originale, il controllo diventa molto difficile.
Secondo una ricerca di Gartner sui Large Language Model, la gestione delle hallucinations rimane una delle sfide principali per l’adozione enterprise dell’AI generativa. Dunque, non si tratta di un problema residuale destinato a sparire con i prossimi aggiornamenti dei modelli.
Oltre a questo, il problema si amplifica quando l’AI viene utilizzata per analizzare dati sull’AI stessa. In questo caso, i modelli attingono a un corpus di training che può contenere informazioni contraddittorie, obsolete o generate da altri sistemi AI. Il risultato è un ciclo di errori potenzialmente autoreferenziale.
La lettura di SHM Studio: un problema di governance, non di tecnologia
Noi di SHM Studio interpretiamo il caso KPMG come un problema di processo, non di strumento. L’AI generativa non è intrinsecamente inaffidabile. Tuttavia, diventa pericolosa quando viene inserita in workflow privi di checkpoint di verifica.
La domanda corretta non è
Articoli correlati
Scopri altri articoli che approfondiscono temi simili, selezionati per offrirti una visione più completa e stimolante. Ogni contenuto è scelto con cura per arricchire la tua esperienza.
